CARLANE：シミュレーションから複数の実世界ドメインへの教師なしドメイン適応のためのレーン検出ベンチマーク

教師なしドメイン適応（Unsupervised Domain Adaptation, UDA）は、ラベル付きのソースドメインからラベルなしのターゲットドメインへモデルを転移することで、ドメインシフトの影響を軽減する大きな可能性を示している。近年、UDAは多様な複雑な視覚タスクに応用されてきたが、自動運転向けの車線検出に焦点を当てた研究は依然として少ない。これは、公開可能なデータセットが不足していることに起因していると考えられる。こうした研究を促進するため、本研究では2次元車線検出を対象とした3方向（シミュレーション→現実世界）のドメイン適応ベンチマーク「CARLANE」を提案する。CARLANEは、単一ターゲットデータセットであるMoLaneとTuLane、およびマルチターゲットデータセットであるMuLaneを統合しており、これらは3つの異なるドメインから構成されており、多様なシーンをカバーする。データセット全体では16万3千枚のユニークな画像を含み、そのうち11万8千枚がアノテーション付きである。さらに、プロトタイプ跨ドメイン自己教師学習（Prototypical Cross-domain Self-supervised Learning）を基盤とした自らの手法を含む、系統的なベースラインを評価・報告している。評価の結果、教師あり学習ベースラインと比較して、評価対象のUDA手法の誤検出率（False Positive Rate）および見逃し率（False Negative Rate）は依然として高いことが明らかになった。これは、車線検出における教師なしドメイン適応研究をさらに推進するため、CARLANEのようなベンチマークの重要性を裏付けている。CARLANE本体、評価対象のすべてのモデル、および対応する実装コードは、すべて公開されており、https://carlanebenchmark.github.io にて入手可能である。